Введение

Достижение конкурентного преимущества в условиях современного динамичного рынка для производителей становится невозможным без обеспечения максимально возможной информационной прозрачности и принятия оптимальных управленческих решений.

Несмотря на существенное продвижение в области создания высокотехнологичных программных и аппаратных средств (систем хранения больших массивов технологических данных, средств отображения технологической информации, систем мониторинга производственной ситуации и на их основе - поддержки принятия решений; корпоративных баз знаний), для формирования единой информационно-управленческой структуры необходимо преодолеть ряд трудностей, в частности, таких как обеспечение корректного обмена данными между разнородными приложениями, т.е. создание единого информационного пространства предприятия, гарантирующего мобильную надежную связь всех его подсистем. Существенную проблему представляет также доминирование скорости развития информационных технологий над темпом обновления производственного оборудования. Преодоление этих трудностей ведется по трем основным направлениям: стандартизация, использование связующего программного обеспечения, внедрение глобальных промышленных серверов.

Единая информационная корпоративная среда не только обеспечит мониторинг всей производственной панорамы, но и позволит преодолеть непродуктивность разделения тактических задач оперативного управления технологическими процессами и стратегических задач управления производством, все еще практикуемого сегодня на отечественных предприятиях. Текущая технологическая информация, содержание цеховых архивов (с возможностью восстановления производственных ситуаций прошедших периодов) и содержание базы знаний предприятия предоставляют возможность одновременной настройки в режиме реального времени моделей разных звеньев всей цепочки производства с охватом как технологического цикла, так и административно-хозяйственных и маркетинговых процессов, относящихся к логистическому циклу.

Необходимость разработки методов идентификационного анализа и создания на их базе программных анализаторов в задачах автоматизации технологического и логистического циклов производства обусловлена интенсификацией использования современных информационных технологий в промышленности и сфере услуг. Идентификационный анализ представляет собой процесс разработки, адаптивной настройки и использования в реальном времени - с целью управления либо информационной поддержки - моделей производственных процессов в условиях единого корпоративного информационного пространства.

Особенность функционирования программно-алгоритмических комплексов, называемых программными анализаторами, реализующих подход к построению моделей на базе идентификационного анализа, заключается в том, что они осуществляют построение модели конкретного производственного процесса, используя (помимо текущих и архивных данных) модели на других уровнях производственного управления. При этом существенно, что результаты моделирования различных участков производственного процесса не становятся элементами сложной модели на более высоком уровне, а лишь формируют для нее значения вектора входной информации. По сути, недостаточность априорной информации об исследуемом процессе компенсируется как бы дополнительными - виртуальными - измерениями. Поэтому программные анализаторы часто называют виртуальными анализаторами.

Основополагающими в концепции программных анализаторов являются два аспекта. Во-первых, независимо от моделей и методов, на основе которых они функционируют, идентификационный анализ реализует адаптивный подход к настройке моделей. При построении таких моделей используется весь спектр опытных данных (оперативных, архивных, ретроспективных - из базы знаний и экспертных заключений, текущих значений параметров моделей на других участках). Во-вторых, в качестве дополнительного источника априорной информации для идентификации исследуемого процесса могут использоваться модели других производственных процессов, и, кроме того - рекомендуемые управляющие воздействия различных регуляторов (которые, возможно, функционируют только в режиме советчика).

По сути, идентификационный анализ представляет собой расширение идентификационного подхода к построению моделей, ставшее возможным в условиях функционирования на предприятиях распределенных информационных систем.

Соответственно, в современных программных анализаторах может быть использован широкий спектр как традиционных алгоритмов и методов анализа данных и теории управления, так и относительно авангардных (нейронные сети, нечеткая логика, генетические алгоритмы).

Практика подтверждает, что для решения задач управления на разных уровнях производства могут быть использованы одни и те же информационные массивы и применены идентичные алгоритмические средства. В случае если точность и эффективность идентификационного анализа оказываются удовлетворительными в соответствии с выбранным критерием, модели, полученные с помощью программных анализаторов, могут быть использованы в реальных системах управления.

1. Современные виртуальные анализаторы в производственных системах

В целях поддержки принятия решений оператором технологической установки могут быть использованы виртуальные анализаторы – приложения к системам управления, формирующие прогноз показателей качества выпускаемой продукции в режиме реального функционирования технологического процесса. Рекомендуемые управляющие воздействия предоставляются оператору либо непосредственно на мнемосхеме системы управления, либо посредством автономного интерфейса. Алгоритмы идентификации, используемые современными виртуальными анализаторами, основаны на экспертных знаниях. ВА используют как экспертные знания самого лица, принимающего решение, так и базы знаний производства.

Во втором случае оператору либо предоставляется рекомендуемое управляющее воздействие, либо – значения необходимых технологических показателей, получаемых посредством мониторинга производственной ситуации.

Различают два типа знаний: декларативные и процедурные, или процедуральные [1]. К первым относят описание различных фактов, явлений, наблюдений, формулирование теорий. Вторую группу составляют различного рода умения и навыки. Эксперты (люди, овладевшие теорией и навыками в данной области) отличаются от новичков структурой и способом мышления, в частности, стратегией поиска решений [2]. Если человек не является экспертом, он использует т.н. «обратный вывод» (backward reasoning), когда на основе полученной информации о текущем состоянии процесса он перебирает варианты решений и ищет аргументы в пользу того или другого. Эксперту не требуется анализ текущей информации, он использует в процессе принятия решения т.н. «прямой вывод» (forward reasoning), при котором стратегия принятия решений по формированию экспертом управляющего воздействия создается на подсознательном уровне, является невербализуемой. Таким образом, в аспекте информационного подхода (computational view of thought) [3] эффективность системы в значительной степени будет определяться квалифицированностью эксперта и априорной информацией, которой он будет располагать. В рамках такого подхода знание определяется как определенный набор реально существующих элементов – символов, которые хранятся в памяти человека, обрабатываются в процессе мышления и определяют поведение. Символы, в свою очередь, могут быть определены структурой и характером межнейронных связей [4].

Процесс обработки знаний в интеллектуальной системе сводится к восстановлению (ассоциативному нечеткому поиску) знания по его фрагменту [5]. При этом знание можно интерпретировать как ассоциативную связь между образами. Процесс асоциативного поиска может происходить либо как процесс восстановления образа по частично заданным признакам (или восстановления фрагмента знания в условиях неполной информации; как правило, именно этот процесс имитируется в различных моделях ассоциативной памяти), либо как процесс поиска связанных ассоциативно с данным образом других образов, привязанных к другим моментам времени (эти образы могут иметь смысл причины или следствия данного образа).

Известны различные схемы ассоциативного поиска [5]. Так, во фреймовых системах задача поиска реализуется в виде сопоставления (matching) фреймов. В семантических сетях поиск осуществляется путем сопоставления фрагментов сети и графа-запроса. Применительно к решению дискретных задач многокритериального выбора эффективным оказался подход, основанный на методе вербального анализа решений [6]. В рамках такого подхода производится декомпозиция описания объектов по многим критериям на их частичные описания меньшей размерности, которые предлагаются лицу, принимающему решения (ЛПР), для сравнения (в предположении попарно равных оценок по критериям, не вошедшим в такие описания).

В [5] предложена модель, описывающая процесс ассоциативного мышления как последовательный процесс вспоминания на основе применения ассоциаций – пары образов, характеризующихся своим набором признаков. Такая модель представляется промежуточной генерацией между моделями нейронных сетей и логическими моделями, используемыми в классических системах искусственного интеллекта.

В настоящей работе предложен подход к формированию поддержки принятия решения об управлении оператором, основанный на динамическом моделировании процедуры ассоциативного поиска.